一种面向地下水层储氢泄漏感知筛选与性能评估的数据驱动智能代理方法

《Journal of Energy Storage》：A data-driven smart proxy approach for leakage-aware screening and performance evaluation of underground hydrogen storage

　　

摘要

设计地下储氢（UHS）系统需要兼顾安全性和高效性。这要求对运行参数进行定量理解，因为这些参数决定了氢气泄漏、回收及储存性能。本研究开发了一个集成框架，将物理驱动的三维多相数值模拟（明确纳入构造封存和毛管流动力学）与先进的敏感性分析及智能代理模型相结合。为约束地质和流动不确定性，基线储层模型通过历史拟合对历史产水数据进行了严格校准。联合分析了四个关键目标函数，即氢气泄漏损失、回收率、累计注入和储存体积以及平均储层压力。拉丁超立方抽样（LHS）系统地探索了多维参数空间，而统计指标和SHAP分析则深入揭示了主导控制变量和非线性协同效应。多项式代理模型准确捕捉了这些相互依赖关系，划定了低泄漏（<5%）、高回收率（>85%）和适中压力（约4500–5000 psia）的最优运行区域。最终，三种机器学习算法（XGBoost、随机森林和多层感知机）通过训练-测试分割法进行了训练和严格评估，以预测UHS性能。XGBoost达到了最高精度（R2 > 0.99，RMSE < 0.2），并在采样参数域内的留出数据上展现了强大的预测性能。通过大幅降低相对于传统模拟的计算需求，所开发的机器学习代理模型能够在所建模域内快速评估替代运行方案。总体而言，所提出的方法为构造简单的含水层型UHS系统的初步运行筛选和设计提供了一个计算高效的框架，在这些系统中，氢气迁移主要由基质流动和盖层性质控制。在这些条件之外的应用需要针对特定场址进行验证，并显式表征额外的地质复杂性。

引言

近年来，气候变化危机和化石燃料污染不断加剧。因此，开发清洁和可持续的能源资源已成为一项根本性的全球优先事项。氢气是一种清洁的能源载体，在替代化石燃料方面具有巨大潜力。它能够有效满足重工业、交通和电力生成方面的能源需求[1]、[2]、[3]。尽管氢气在能源领域具有众多优势，但在工业规模上储存和运输仍然是扩展这一能源载体的根本性挑战[4]。氢气较低的体积密度使其储存成为一个复杂且成本高昂的过程[5]。人们提出了各种储存氢气的方法。最重要的选项包括高压储罐、低温液化、固体材料吸附和地下储存。其中，地下储氢（UHS）因其成本效益高、安全性高和储存容量大，已成为该领域的主要选项之一[6]、[7]、[8]、[9]。UHS在适合的地质构造中进行，包括深层含水层、枯竭油气储层和盐穴[10]、[11]、[12]、[13]、[14]。因此，氢气在向低碳和可持续能源系统过渡的过程中，越来越被定位为关键的能源载体。

尽管深层咸水含水层为UHS提供了巨大的体积容量和广泛的地理可用性，但它们缺乏枯竭储层所具有的确凿封存历史。这带来了重大挑战，特别是增加了构造不确定性和安全风险。UHS被认为是从经济和运营可行性两方面来看，长期储存大量氢气最高效的解决方案之一。与地表储存相比，该方法的关键优势包括较低的运营成本、更高的安全性以及能够储存大量氢气的能力[15]、[16]、[17]。此外，与地表储存相关的环境和安全风险，如泄漏、爆炸以及对当地社区的环境影响，在该方法中得到了显著降低[18]、[19]、[20]。

人们对UHS日益增长的兴趣，关键原因之一是其能够管理供需波动。氢气的生产和消耗在全年期间都会波动。在高产期储存多余的氢气，可以确保在需求高峰期实现能源供应的平衡。这对于开发可持续能源网络和减少对化石燃料的依赖尤为重要[21]、[22]、[23]。除了其运营效益外，UHS还可以作为未来能源的关键基础设施。该方法不仅实现了与可再生能源的整合，还在氢经济发展以及向低碳能源系统过渡中发挥着关键作用[24]、[25]、[26]、[27]。因此，UHS不仅是一种储存方法，还是可再生能源平衡和未来氢气供应安全的战略基础设施。

尽管UHS被认为是最具成本效益和最安全的大规模储存方法之一，但它也面临可能影响其性能和效率的挑战。在这方面最重大的挑战是氢气泄漏，它可能产生相当大的经济、安全和环境影响[28]、[29]、[30]。由于分子量低和渗透率高，氢气可以通过地质构造中的多孔结构、裂缝和断层，在缺乏适当的不透性密封的情况下迁移至更高层。这种泄漏不仅降低了储存效率并导致氢气损失，还可能影响地质构造并扰乱储层的整体性能[31]、[32]。为了防止氢气泄漏，盖层作为地下储存系统中的关键天然屏障发挥着至关重要的作用。盖层必须具有非常低的渗透率、足够的连续性和足够的抗机械应力能力，以有效阻止气体向上层迁移[33]、[34]、[35]、[36]、[37]。氢气泄漏的后果各不相同，在某些情况下甚至是危险的。从经济角度看，部分储存氢气的损失意味着储存效率降低和运营成本增加[21]、[38]、[39]。此外，不受控制的氢气泄漏可能带来严重的安全风险。在特定条件下，如果氢气到达地表或封闭空间，它可以与空气以一定浓度混合，增加点燃和爆炸的风险。这是由于该气体具有广泛的可燃范围和高燃烧能[40]、[41]、[42]。此外，氢气泄漏可能导致土壤结构的化学变化，从而对该地区的农业产业产生广泛影响。此外，氢气可能通过泄漏到更高层而改变地下水源的组成，这可能导致城市饮用水供应问题[43]、[44]、[45]、[46]、[47]、[48]。鉴于这些挑战，预测和评估氢气泄漏量具有重要意义。确定潜在的泄漏通道并深入了解地下环境中氢气的物理过程和迁移机制，对储存储层的安全和最优设计至关重要[31]、[32]、[49]、[50]。在此背景下，开发准确的模型来预测氢气泄漏可以帮助改善储存性能、降低相关风险并增强储层稳定性[51]、[52]。因此，氢气泄漏应被视为UHS中的核心风险，因为它直接影响储存效率、运营安全、环境保护和储层完整性。

地下储存中的氢气泄漏预测不仅取决于氢气的物理和化学性质，还受到运营条件的重要影响。注入和生产速率、缓冲气体类型、注入和抽出模式以及储层压力变化速率等参数，都可能影响储存构造中氢气的分布、运动和泄漏[53]、[54]。虽然地质异质性和地球化学相互作用确定了场址的基线封存能力，但一旦选定位置，它们就是固有的和固定的。相比之下，运营参数是工程师可以持续控制和优化的活跃变量。特别是在循环UHS中，这些运营策略决定了作为向上流体迁移和潜在盖层突破主要驱动力的剧烈压力波动。因此，理解这些可控因素的影响对于界定可靠的运营风险包络并主动设计最小化泄漏的方案至关重要。这突显了将运营参数作为可控工程变量进行评估的必要性，这些变量可以经过优化以降低循环UHS中的泄漏风险。

鉴于这些参数的非线性本质和相互依赖性，传统分析方法在建模泄漏行为方面面临多重挑战，包括高计算时间和对大数据集的依赖[55]。在此背景下，机器学习算法已成为一种高效工具，用于处理大量运营数据并识别各变量之间的复杂关系[56]、[57]、[58]。这些方法可以在无需建立复杂方程的情况下识别运营参数与泄漏率之间的非线性模式，并能够高精度地预测该现象。此外，使用机器学习模型可以分析各种运营方案、识别减少泄漏的最优条件，并提供提高运营效率的策略[59]、[60]。相应地，基于机器学习的代理模型为UHS中的快速泄漏预测和运营方案筛选提供了一条切实可行的途径。

尽管氢气封存对于UHS系统的安全高效运行至关重要，但与已建立的地质碳封存文献相比，氢气特异性泄漏研究仍然相对有限。借鉴更广泛的碳封存文献，气体泄漏研究可以大致分为三个互补类别：基于物理的泄漏和盖层完整性评估、泄漏检测和监测，以及数据驱动的泄漏预测。这些领域中以氢气为重点的研究仍处于起步阶段，促使人们进一步研究循环UHS运行条件下压力驱动的泄漏行为。

基于物理的泄漏评估是地质碳封存研究中已建立的一个分支，解析和数值模型已被用于评估压力积聚、气体迁移、泄漏通道和盖层封存行为。最近，类似的方法在UHS中也引起了关注，多项研究考察了氢气泄漏和盖层完整性。Alafnan（2024）使用多尺度方法评估了通过含水层和盖层的氢气泄漏。该研究识别出孔隙尺寸、曲折度、储层压力和温度是控制氢气封存和流动性的关键因素。该研究强调了综合地质评估在降低UHS系统泄漏风险中的重要性[28]。Ajibona和Pandey（2024）通过实验研究了氢气-页岩相互作用，观察到长时间氢气暴露后孔隙率和基质渗透率增加。他们将这种变化归因于物理孔隙结构改变或微破裂，强调了在UHS条件下评估盖层完整性的必要性[35]。Hashemi等人对循环UHS运行期间通过盖层的氢气泄漏进行了参数化数值研究。他们表明盖层渗透率（特别是垂直渗透率）以及含水层压力、倾角、井深和注入持续时间对泄漏行为有显著影响[32]。Hashemi和Sedaee（2025）研究了氢气-盖层的地球化学相互作用，表明pH值、温度、压力和盐度可以通过矿物溶解或沉淀改变盖层孔隙率、渗透率和封存效率。他们的结果表明压力驱动机制主要控制氢气泄漏，而地球化学反应可能影响长期盖层完整性[39]。Talukdar等人（2025）使用耦合流-地质力学模拟研究了循环UHS运行条件下盖层破裂和断层重新激活的氢气泄漏问题。他们表明压力变化可能会激活裂缝和断层作为相互作用的泄漏通道，使氢气迁移至盖层和上覆含水层[38]。综上所述，这些研究表明UHS中的氢气泄漏受盖层性质、地球化学/地质力学过程和运营压力变化的耦合控制。这突显了需要高效的预测方法来评估循环储存运行条件下压力驱动的泄漏行为。

泄漏检测和监测是储存安全的关键组成部分，在地质碳封存中已得到广泛研究。在UHS中，该主题的关注度相对较低，但可靠的监测对于检测氢气迁移和确保封存完整性仍然是必要的。Haghighat等人（2013）为阿拉巴马州Citronelle穹丘CO?储存项目设计了一个智能泄漏检测系统（ILDS）。该系统利用永久井下压力计（PDG）持续记录高频压力数据，应用先进的机器学习和模式识别技术来识别泄漏异常。ILDS成功复现了泄漏的空间和时间模式，为智能油田应用中的主动管理提供了一种有效的预警工具[61]。Mortezaei等人（2018）发表了一篇综合综述，总结了在预测、量化、检测和减轻地质储存系统中CO?泄漏方面的进展和持续挑战。该综述综合了当前对泄漏通道的理解，并批判性地评估了大气、地表和地下监测技术。还考察了描述CO?羽流通过裂缝和盖层构造迁移的解析和数值模型。

尽管取得了显著的技术进步，作者们强调仍需持续开展研究，以提升CCS项目在安全性、可扩展性及监管稳健性方面的表现[62]。Fawad和Mondol（2021）提出了一种综合地球物理监测框架，将地震法与电磁法（EM/CSEM）相结合，用于CO?储存站点的长期监测。该研究评估了两种监测策略：在40年期间重复实施地震-电磁联合调查，以及在获取基线地震数据后定期进行电磁观测。对地震和电磁数据进行联合解释，改善了CO?羽流边界的界定效果，并使含气饱和度估算精度达到约5%以内，展现了大规模CCS运营中较高的监测保真度和成本效益[63]。Shoushtari等人（2024）引入了一种基于压力瞬态的方法，用于检测多层储层中的氢气泄漏[64]；而?etin等人（2026）则综述了基于人工智能的多传感器与地球化学监测方法在UHS中的应用[65]。这些研究表明，基于压力的监测、地球物理方法、遥感技术以及AI辅助数据融合，为早期泄漏检测提供了宝贵的工具。在UHS领域，这些方法仍处于发展阶段，为更可靠的监测和氢气泄漏的预测性评估创造了机遇。

人工智能在能源领域的快速整合已彻底改变了复杂地下过程的分析与预测方式。数据驱动算法和降阶代理模型正日益被用于近似高保真模拟，从而实现更快的场景评估和不确定性分析。因此，此类方法在地层储存系统中的泄漏预测方面受到越来越多的关注，涵盖碳封存以及新兴的地下氢能储存应用。Li等人（2018）提出了一种人工神经网络（ANN）驱动的模型，用于评估CCS运营相关储存井的长期CO?泄漏风险。该模型利用德克萨斯州West Hastings和Oyster Bayou油田的历史井设计和运行数据，基于井龄、材料组成、CO?暴露时长和施工质量，生成了泄漏概率指数（LPI）。该ANN有效预测了潜在泄漏事件，并提出了改进井设计、完整性管理及政策制定的数据驱动建议[66]。Zhou等人（2019）开发了一种时空密集卷积神经网络（ST-DenseNet），用于利用地震数据集检测CCS运营中的CO?泄漏。该模型通过整合一维和二维卷积神经网络（CNN）与长短期记忆（LSTM）单元，有效捕捉了复杂的时空依赖关系，且无需依赖场地特异性物理建模。合成地震数据的验证表明，ST-DenseNet在检测精度和计算效率方面优于传统机器学习算法，彰显了其在大规模CO?监测及更广泛地下异常检测方面的潜力[67]。Ahmadi和Chen（2019）基于Stehfest反Laplace变换技术，建立了一种预测深部盐水层中CO?泄漏的解析模型。该模型准确再现了CO?运移期间的压力演化和泄漏通量，为评估多样化场景下的泄漏风险提供了计算高效的框架。其简洁性和预测能力使其在CCS项目的初步筛选和风险评价应用中具有重要价值[68]。Ma等人（2020）引入了一种时间序列神经网络框架，用于检测地质封存运营中的CO?泄漏。该研究采用带外生输入的非线性自回归网络（NARX），预测大气CO?的日变化并从残差逼近误差中识别泄漏信号。结果表明，即使是低强度泄漏也能被准确检测，证实了该框架在CO?储存和输送系统中实时异常检测方面的适用性[69]。Wang等人（2020）开发了一种基于机器学习的方法，通过整合地表地震数据、井压力和总溶解固体（TDS）测量值，估算地质封存储层中的CO?饱和度。该模型在6000个多相流模拟数据集上进行训练，达到了较高的预测精度，且纳入压力和TDS数据后显著改善了CO?饱和度估算效果。该研究证明了多源数据融合对于CCS项目中增强泄漏检测和储层表征的价值[70]。Du等人（2022）引入了一种基于无人机的超光谱成像方法，通过分析植被生理胁迫来检测天然气微泄漏。通过将SAFY作物生长模型与卷积神经网络相结合，作者开发了一种气体胁迫指数（K?gs?），用于量化泄漏影响。该方法优于传统光谱技术，实现了高分类精度，并能够及时识别农业景观中的微气泄漏[71]。Xiong等人（2022）开发了一种深度学习框架，将红外热成像与双池化GoogLeNet（GLNB）架构相结合，通过林冠温度变化来检测天然气泄漏。借助迁移学习，该模型在识别气体胁迫植被方面达到了95.33%的分类精度，证明热成像与先进神经网络结合为气体泄漏定位提供了一种高效、无创的方法[72]。He等人（2024）提出了一种贝叶斯深度学习框架，利用从注入井和观测井收集的瞬态压力数据，识别地质碳封存（GCS）系统中的CO?泄漏。该混合架构将快速数据驱动的正向建模与贝叶斯反演相结合，用于概率性泄漏定位。三维地质模拟的验证显示，该框架具有较高的预测精度和计算效率，彰显了其在场地级监测和实时泄漏检测方面的潜力[73]。Harati等人（2024）开发了一种基于机器学习的预测框架，用于评估地质封存环境中注入井的CO?泄漏。利用压力和温度数据，该研究比较了五种回归算法：支持向量回归（SVR）、K近邻回归（KNNR）、决策树回归（DTR）、随机森林回归（RFR）和人工神经网络（ANN）。其中，KNNR模型在估算泄漏量级和空间范围方面达到了最高的预测精度，即使对于微量泄漏场景也是如此。研究结果为数据驱动的泄漏预测和CO?注入运营的实时管理提供了有价值的见解[74]。Gao等人（2024）提出了一种基于机器学习的框架，用于检测和表征UHS系统中的氢气泄漏。该监督神经网络利用由弹性波方程建模生成的合成瞬态地震数据，推断泄漏区域的空间定位和物理特征。该模型在利用稀疏地震数据集识别和量化氢气泄漏事件方面展现了高精度。该研究代表了机器学习在氢气泄漏表征方面的首次系统性应用，为UHS完整性管理建立了一种经济高效且可扩展的地球物理监测框架[75]。Kennedy Antwi等人（2025）引入了一种耦合反应-运移建模框架，用于研究UHS过程中盖层的地球化学完整性和孔隙率演化。通过耦合PHREEQC与MATLAB储层模拟工具箱（MRST），该研究模拟了储层条件下气体-卤水-矿物的相互作用。结果显示，由于纳长石化作用，孔隙率从5.0%降低至3.82%，强调了矿物学反应在维持盖层密封能力和长期储存稳定性中的关键作用[76]。

综上所述，所综述的研究表明，泄漏评估已从简单的检测发展为更先进的、数据辅助的地下和地表信号解释。然而，现有研究的重点仍集中在在可测量的响应已经出现后对泄漏进行识别、定位或表征。对于利用可控运行条件作为预测变量来在泄漏变得严重之前预判泄漏行为，则关注甚少。这一区别具有重要意义，因为在循环储存系统中，泄漏倾向不仅受地质封存条件的影响，还受控制压力积累、气体再分布和采出性能的运行决策的影响。因此，现有文献为泄漏监测和表征提供了坚实的基础，但在快速运行筛选和主动泄漏缓解方面仍不够完善。

尽管CCS泄漏方面的文献已相当丰富，但UHS面临着根本不同的动力学特征。与CO?的永久性封存不同，UHS涉及高频率循环注入和采出一种高流动性气体。由于对这些复杂循环进行全物理模拟在计算上不可行，现有研究往往难以高效评估运行场景。因此，本研究旨在解决的知识空白是缺乏一种针对这些独特循环泄漏动力学特征的快速、数据驱动的预测框架。为填补这一空白，本研究开发了一种代理建模框架，用于快速筛选UHS场景。我们采用并比较了三种机器学习模型——XGBoost、随机森林（RF）和多层感知机（MLP），均基于高保真数值模拟进行训练。通过将特征变化与多目标性能指标联系起来，生成的等高线图可作为调节氢气泄漏缓解、回收增强、储存能力和压力稳定性的运行参考空间。最终，该框架实现了水层型UHS中的快速正向预测、逆向设计和战略决策。

### 方法概述

本研究采用综合框架分析不同条件下氢气通过含水层盖层的泄漏行为。通过高分辨率数值模拟捕捉了控制氢气在低渗透性地层中运移、滞留和迁移的耦合物理和水动力学过程。设计了系统性的模拟场景套件，以评估泄漏行为对储层压力、温度梯度和盖层特征的敏感性。

### 氢气向盖层的泄漏

氢气泄漏是UHS系统设计与运营中最关键的挑战之一。尽管氢气凭借其高能量密度和灵活性而成为一种有吸引力的能源载体，但其分子尺寸小、扩散系数高，使得封存尤为困难。即使是轻微的泄漏率也会对储存效率、运营可靠性和系统安全产生重大影响，突显了精确评估和控制UHS中泄漏机制的必要性。

### 结论

本研究提出了一个全面的数据驱动框架，用于评估和预测UHS的性能，特别强调氢气泄漏作为安全关键且决定性能的核心参数。通过将高保真数值模拟与机器学习和解释性分析相结合，对四个关键目标函数——氢气泄漏损失、回收率、累计注入和储存氢气体积以及储层压力——进行了联合分析，以揭示它们之间的……

### 局限性与未来工作

本研究采用具有空间分布岩性属性的三维规则网格模型，建立了评估机器学习框架预测氢气泄漏能力的受控基准。虽然纳入了空间非均质性，但该模型代表了结构理想化的含水层-盖层系统，未显式包含断层或裂隙网络。这一方法经过精心设计，旨在隔离基本的压力驱动泄漏机制……

### CRediT作者贡献声明

Milad Hashemi：撰写——初稿、调查研究、形式化分析。AliMohammad Sedaghat Kameholiya：调查研究。Mohammad Amin Peymani：调查研究。Mahdi Kanaani：撰写——审阅与编辑、可视化、形式化分析。Behnam Sedaee：验证、监督、方法论、概念构思。

### 利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能对本研究所报道的工作产生影响。

Milad Hashemi | AliMohammad Sedaghat Kameholiya | Mohammad Amin Peymani | Mahdi Kanaani | Behnam Sedaee

德黑兰大学工程学院化工学院石油工程学院，伊朗